وعدے اور نقصانات کا خلاصہ – حصہ چار » CCC بلاگ

وعدے اور نقصانات کا خلاصہ – حصہ چار » CCC بلاگ

ٹائم سٹیمپ: 21 مارچ 2024 صبح 11:37 بجے

CCC نے اس سال کی AAAS سالانہ کانفرنس میں تین سائنسی سیشنز کی حمایت کی۔ اس ہفتے، ہم سیشن کی جھلکیوں کا خلاصہ کریں گے، "سائنس میں تخلیقی AI: وعدے اور نقصانات.یہ پینل، معتدل ڈاکٹر میتھیو ترک، شکاگو میں ٹویوٹا ٹیکنولوجیکل انسٹی ٹیوٹ کے صدر) ڈاکٹر ربیکا ولیٹشکاگو یونیورسٹی میں شماریات اور کمپیوٹر سائنس کے پروفیسر، ڈاکٹر مارکس بوہلرمیساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی میں انجینئرنگ کے پروفیسر، اور ڈاکٹر ڈنکن واٹسن پیرسسکریپس انسٹی ٹیوشن آف اوشینوگرافی اور UC سان ڈیاگو میں Halıcıoğlu ڈیٹا سائنس انسٹی ٹیوٹ میں اسسٹنٹ پروفیسر۔ حصہ چار میں، ہم پینل کے سوال و جواب کے حصے کا خلاصہ کرتے ہیں۔ 

پینلسٹ کی پیشکشوں کے بعد سوال و جواب کا سیشن ہوا، اور ڈاکٹر میتھیو ترک نے بحث کا آغاز کیا۔ "'وعدے اور نقصانات' اس پینل کے عنوان میں ہے۔ ہم نے بہت سے وعدوں پر بات کی ہے، لیکن ہم نے بہت سے نقصانات کو دور نہیں کیا ہے۔ جنریٹیو اے آئی کے مستقبل کے بارے میں آپ کو کیا فکر ہے؟"

"ان ماڈلز کی وشوسنییتا اور قابل اعتمادی ایک بڑی تشویش ہے"، ڈاکٹر ربیکا ولیٹ نے آغاز کیا۔ "یہ ماڈل ایسی چیزوں کی پیشین گوئی کر سکتے ہیں جو قابل فہم ہیں، لیکن اہم، نمایاں عناصر غائب ہیں۔ کیا میں بحیثیت انسان یہ پہچان سکتا ہوں کہ وہاں کچھ کمی ہے؟

ڈاکٹر مارکس بوہلر نے مزید کہا کہ ماڈل کی اصل پیشین گوئی میں ایک سیکنڈ لگ سکتا ہے، لیکن تصدیق کے تجرباتی عمل میں مہینوں یا ایک سال یا اس سے زیادہ وقت لگ سکتا ہے۔ تو جب ہم نے نتائج کی تصدیق نہیں کی ہے تو ہمیں عبوری طور پر کیسے کام کرنا چاہئے؟ "ہمیں جنریٹیو AI ڈویلپرز کی اگلی نسل کو بھی تعلیم دینے کی ضرورت ہے تاکہ وہ ایسے ماڈلز ڈیزائن کریں جو قابل بھروسہ اور قابل تصدیق ہوں، اور ہم ان ماڈلز کی تعمیر میں فزکس پر مبنی بصیرت کا استعمال کر سکیں۔"

ڈاکٹر ڈنکن واٹسن پیرس نے پچھلے دونوں نکات پر استوار کرتے ہوئے کہا کہ "چونکہ یہ ماڈل قابل عمل نتائج پیدا کرنے کے لیے بنائے گئے ہیں، اس لیے ہم ان کی درستگی کی تصدیق کے لیے صرف نتائج کو نہیں دیکھ سکتے۔ جنریٹو اے آئی کے محققین کو اس بات کی گہری سمجھ کی ضرورت ہے کہ یہ ماڈل اپنے نتائج کی تصدیق کے لیے کیسے کام کرتے ہیں، یہی وجہ ہے کہ اگلی نسل کو صحیح طریقے سے تعلیم دینا بہت ضروری ہے۔

سامعین کے رکن: "مٹیریل سائنس میں، ہم کچھ مواد کے مطالعہ کے لیے آگے کی سمت جانتے ہیں، لیکن دوسروں کے لیے، جیسے کمرے کے درجہ حرارت کے سپر کنڈکٹرز، ہم نہیں جانتے کہ آگے کیسے بڑھنا ہے۔ آپ کے خیال میں ان نامعلوم مواد کے مطالعہ میں آگے جانے کا راستہ کیسا نظر آئے گا؟ اور اس قسم کی تحقیق کو ریگولیٹری نقطہ نظر سے کیسے فعال کیا جانا چاہیے؟"

"ٹھیک ہے، میں سپر کنڈکٹر ریسرچ کا ماہر نہیں ہوں،" ڈاکٹر بوہلر نے کہا، "لہٰذا میں اس سے براہ راست بات نہیں کروں گا، لیکن میں عام طور پر اس بارے میں بات کر سکتا ہوں کہ ہم کس طرح مادی سائنس میں ترقی کرتے ہیں، خاص طور پر میرے پروٹین کے شعبے میں۔ اور بائیو میٹریلز کی ترقی۔ جس طرح سے ہم پیش قدمی کرتے ہیں اس میں لفافے کو آگے بڑھانے کی صلاحیت ہوتی ہے۔ ہم نئے تجربات چلاتے ہیں اور غیر ملکی خیالات اور نظریات کی جانچ کرتے ہیں اور دیکھتے ہیں کہ کون سے کام کرتے ہیں اور کیوں۔ جہاں تک ہمیں اس تحقیق کو کیسے فعال کرنا چاہیے، ہمیں اجتماعی رسائی کے ساتھ مزید اوپن سورس ماڈلز کی ضرورت ہے۔ میں سیاست دانوں کی حوصلہ افزائی کروں گا کہ وہ ان ٹیکنالوجیز کو حد سے زیادہ ریگولیٹ نہ کریں، جیسے کہ محققین اور عوام کو اس قسم کے ماڈلز تک رسائی حاصل ہو۔ مجھے نہیں لگتا کہ لوگوں کو ان ماڈلز کو استعمال کرنے سے روکنا اچھا خیال ہے، خاص طور پر جب ہم خیالات اور پیشرفت کو کراؤڈ سورس کر سکتے ہیں اور انسانی سرگرمیوں کے متنوع شعبوں سے علم متعارف کروا سکتے ہیں۔ مثال کے طور پر، جب پرنٹنگ پریس کی ایجاد ہوئی تو حکام نے اس ٹیکنالوجی کی دستیابی کو محدود کرنے کی کوشش کی تاکہ چند کتابیں ایک ساتھ پڑھی جا سکیں، لیکن یہ کوشش بری طرح ناکام رہی۔ عوام کی حفاظت کا بہترین طریقہ یہ ہے کہ ان ماڈلز تک اس طرح رسائی کی سہولت فراہم کی جائے کہ ہم معاشرے کے زیادہ سے زیادہ فائدے کے لیے ان کی ترقی، کھوج اور وسیع پیمانے پر جائزہ لے سکیں۔"

سامعین کا رکن: "آج کے زیادہ تر تخلیقی AI ماڈلز ریگریشن ماڈلز ہیں جو مختلف منظرناموں کی نقل کرنے یا ان کی تقلید پر توجہ مرکوز کرتے ہیں۔ تاہم، سائنس میں دریافت ان مفروضوں اور پیشین گوئیوں سے ہوا ہے جن کا ہم خواب دیکھتے ہیں۔ تو ہم ایسے ماڈل کیسے بنائیں گے جن کا مقصد موجودہ ماڈلز کی بجائے نئی پیشین گوئیاں کرنا ہوں جو زیادہ تر تجربات کے لیے استعمال ہوتے ہیں؟

ڈاکٹر بوہلر نے پہلے جواب دیتے ہوئے کہا، "آپ ٹھیک کہتے ہیں، زیادہ تر روایتی مشین لرننگ ماڈل اکثر رجعت پر مبنی ہوتے ہیں، لیکن آج ہم نے جن ماڈلز کے بارے میں بات کی ہے وہ مختلف طریقے سے کام کرتے ہیں۔ جب آپ متعدد صلاحیتوں کے ساتھ ملٹی ایجنٹ سسٹمز کو اکٹھا کرتے ہیں، تو وہ درحقیقت نئے منظرناموں کو تلاش کرنا شروع کر دیتے ہیں اور وہ اپنے کیے گئے تجربات کی بنیاد پر استدلال اور پیشین گوئیاں کرنا شروع کر دیتے ہیں۔ وہ زیادہ انسان بن جاتے ہیں۔ آپ، ایک محقق کے طور پر، کوئی تجربہ نہیں چلائیں گے اور بس ختم ہو جائیں گے - آپ ایک تجربہ کریں گے اور پھر ڈیٹا کو دیکھنا شروع کریں گے اور اس کی توثیق کریں گے اور اس ڈیٹا کی بنیاد پر نئی پیشین گوئیاں کریں گے، تاکہ نقطوں کو جوڑ کر اس کے ذریعے نکالا جا سکے۔ مفروضے بنانا اور امیجنگ کرنا کہ ایک نیا منظر نامہ کیسے سامنے آئے گا۔ آپ تجربہ کریں گے، نیا ڈیٹا اکٹھا کریں گے، ایک نظریہ تیار کریں گے اور دلچسپی کے کسی خاص معاملے کے بارے میں شاید ایک مربوط فریم ورک تجویز کریں گے۔ تب آپ اپنے ساتھیوں کی تنقیدوں کے خلاف اپنے خیالات کا دفاع کریں گے اور جب نئی معلومات استعمال کی جائیں گی تو شاید اپنے مفروضے پر نظر ثانی کریں گے۔ اس طرح نئے ملٹی ایجنٹ مخالف نظام کام کرتے ہیں، لیکن یقیناً وہ انسانی صلاحیتوں کی تکمیل کرتے ہیں جس میں ڈیٹا کی وسیع مقدار اور علم کی نمائندگی پر استدلال کرنے کی بہت زیادہ صلاحیت ہے۔ یہ ماڈل پہلے سے ہی نئے مفروضے پیدا کر سکتے ہیں جو لفافے کو اس سے کہیں آگے بڑھاتے ہیں جس کا پہلے سے مطالعہ کیا جا چکا ہے، جس سے دریافت اور اختراع کے سائنسی عمل میں اضافہ ہوتا ہے۔

"میں اس کی تکمیل کروں گا،" ڈاکٹر ولیٹ نے کہا، "تکمیل کی دریافت اور علامتی رجعت کے علاقے کے ساتھ، جیسا کہ ایک اور علاقہ ہے جو مفروضے کی تخلیق کی طرف بہت زیادہ ہدف ہے۔ اس جگہ پر بہت زیادہ کام جاری ہے۔‘‘

سامعین کا رکن: "ہم اس قسم کے ماڈلز تک رسائی کو کیسے بڑھا سکتے ہیں اور رکاوٹوں کو کیسے دور کر سکتے ہیں، جیسے کہ زیادہ تر ماڈل انگریزی بولنے والوں کے لیے بنائے جا رہے ہیں؟"

ڈاکٹر ربیکا ولیٹ نے جواب دیتے ہوئے کہا، "بہت سے لوگوں کو ان ماڈلز کو استعمال کرنے تک رسائی حاصل ہے، لیکن ان کی ڈیزائننگ اور تربیت پر لاکھوں ڈالر خرچ ہوتے ہیں۔ اگر تنظیموں کا صرف ایک چھوٹا سا مجموعہ ان ماڈلز کو ترتیب دینے کے قابل ہے، تو صرف ایک بہت ہی چھوٹا سا مجموعہ سائنسی برادری میں فیصلے اور ترجیحات کا تعین کر رہا ہے۔ اور اکثر ان تنظیموں اور افراد کی ترجیحات منافع پر مبنی ہوتی ہیں۔ اس نے کہا، مجھے لگتا ہے کہ زمین کی تزئین کی تبدیلی شروع ہو رہی ہے۔ NSF جیسی تنظیمیں بنیادی ڈھانچے کی تعمیر کی کوشش کر رہی ہیں جس تک وسیع سائنسی برادری تک رسائی حاصل کی جا سکے۔ یہ کوشش سپر کمپیوٹرز کی ابتدائی ترقی سے مشابہت رکھتی ہے۔ ابتدائی دنوں میں، محققین کو سپر کمپیوٹر تک رسائی حاصل کرنے کے لیے طویل تجاویز پیش کرنا پڑتی تھیں۔ میرے خیال میں ہم AI اور جنریٹیو AI میں اسی طرح کے ابھرتے ہوئے نمونے دیکھنے جا رہے ہیں۔

ڈاکٹر واٹسن پیرس نے کہا ’’میں اتفاق کرتا ہوں۔ "ریگولیٹری کی طرف سے اس میں اضافہ کرتے ہوئے، مجھے نہیں لگتا کہ ہمیں بنیادی تحقیق کو منظم کرنا چاہیے، شاید درخواست کی جگہوں کو، لیکن خود تحقیق کو نہیں۔"

پڑھنے کے لیے آپ کا بہت بہت شکریہ، اور AAAS 2024 میں ہمارے دوسرے دو پینلز کے ری کیپس کے لیے دیکھتے رہیں۔

ٹائم اسٹیمپ:

سے زیادہ سی سی سی بلاگ